1199 Arbeiten
Die Bioinformatik verbindet Biologie und Informatik, um riesige Mengen an biologischen Daten verständlich zu machen. Statt sich nur auf einzelne Experimente zu konzentrieren, nutzen Forscher hier computergestützte Methoden, um Muster im Leben selbst zu entschlüsseln, von der DNA bis zu komplexen Krankheitsverläufen. Diese Schnittstelle ermöglicht es, die Sprache des Lebens in Zahlen und Algorithmen zu übersetzen und neue Erkenntnisse schnell zu gewinnen.
Auf Gist.Science durchsuchen wir täglich die neuesten Vorab-Veröffentlichungen auf bioRxiv in diesem Bereich. Für jedes neu eingereichte Preprint erstellen wir nicht nur eine detaillierte technische Zusammenfassung für Fachleute, sondern auch eine einfache Erklärung in Alltagssprache, damit jeder den Kern der Forschung verstehen kann. So wird komplexes Wissen für ein breites Publikum zugänglich, ohne dass wichtige Details verloren gehen.
Unten finden Sie die aktuellsten Artikel aus dem Bereich der Bioinformatik, die wir kürzlich für Sie aufbereitet haben.
Die Studie stellt Stoic vor, eine schnelle und genaue Methode zur Vorhersage der Protein-Stöchiometrie in Komplexen, die Interface-spezifische Embeddings von Protein-Sprachmodellen in Kombination mit einem Graph-Neural-Network nutzt, um aufwendige Brute-Force-Ansätze zu ersetzen.
Das Paper stellt PepCABO vor, einen latenten Raum-basierten Bayesianischen Optimierungsansatz mit kontrastivem Alignment und einem dualen Variational-Autoencoder-Framework, der die Suche nach optimalen Peptid-MHC-Bindungen durch strukturierten Wissenstransfer über verschiedene Allele hinweg effizienter gestaltet.
Diese Arbeit stellt eine Erweiterung des ColBuilder-Frameworks vor, die es ermöglicht, atomistische Kollagenfibrillenmodelle zu generieren, die neben enzymatischen auch nicht-enzymatische AGE-Quervernetzungen enthalten, um deren Einfluss auf die Struktur und mechanischen Eigenschaften im Rahmen von Molekulardynamik-Simulationen zu untersuchen.
Die Studie stellt PBML vor, einen neuen Algorithmus, der auf dem PBWT aufbaut und durch die effiziente Filterung von Set-Maximal-Exact-Matches nach Mindestanzahl und Mindestlänge lange, biologisch relevante Abstammungsabschnitte in großen Haplotyp-Panels schneller und speichereffizienter identifiziert als bestehende Methoden.
Die Studie stellt ein bayessches AMMI-basiertes Simulationsframework vor, das hochdimensionale Umweltkovarianzmatrizen nutzt, um interpretierbare Genotyp-Umwelt-Interaktionen zu generieren und so die genomische Selektion unter komplexen Umweltbedingungen zu verbessern.
Die Arbeit stellt Beschleunigungen für OpenFold und TensorRT vor, die eine bis zu 131-fach schnellere Proteinstrukturvorhersage im Vergleich zu AlphaFold2 auf verschiedenen Hardware-Plattformen – von kompakten Systemen bis zu Rechenzentren – ohne Genauigkeitsverlust ermöglichen.
Diese Studie zeigt, dass die Transkriptomantwort von *Aedes aegypti* auf Pyrethroide nicht nur vom Insektizidtyp (Typ I vs. Typ II), sondern auch von der Konzentration abhängt und dabei unterschiedliche Resistenzmechanismen wie mitochondriale Anpassungen oder kutikuläre Verdickung sowie metabolische Entgiftung aktiviert werden.
Der Artikel stellt stMCP vor, ein Framework, das natürliche Sprache nutzt, um räumliche Transkriptomik-Analysen lokal und datenschutzkonform durchzuführen, wodurch komplexe Workflows für Biologen zugänglicher werden, ohne große Datenmengen an KI-Modelle zu übertragen.
Diese Studie identifiziert mit dem neu entwickelten Software-Tool Off-target Probe Tracker (OPT) off-target-Bindungen in 10x Genomics Xenium-Genpanels, die die Genauigkeit der räumlichen Transkriptomik beeinträchtigen, und validiert diese Befunde durch den Abgleich mit orthogonalen Transkriptomik-Daten, um die biologische Interpretierbarkeit und Reproduzierbarkeit der Forschung zu verbessern.
Die Studie zeigt, dass aktuelle Deep-Learning-Methoden zur RNA-Strukturvorhersage zwar bei bekannten Motiven und regulären Strukturen funktionieren, jedoch aufgrund mangelnder Generalisierungsfähigkeit auf neuartige Faltungen und unzuverlässiger Genauigkeitsschätzungen keine verlässlichen Vorhersagen für neue RNA-Strukturen oder Komplexe ermöglichen.